基于改进YOLOX的遥感目标检测算法

Abstract

遥感目标检测是环境监测、电路巡检等领域中的一个重要的环节。针对遥感图像存在的目标尺度差异大、目标模糊、背景复杂度高等难点,提出了一种基于YOLOX的遥感目标检测算法。首先,提出区域上下文聚合模块,利用不同扩张率的空洞卷积扩大感受野,获取多尺度上下文信息,从而有利于小目标的检测;其次,提出特征融合模块,采用两种不同的尺度变换模块实现对不同尺度特征的融合,从而充分融合浅层位置信息与深层语义信息,提高网络对不同尺度目标的检测性能;最后在多尺度特征融合网络部分引入特征增强模块,并将其与注意力机制CAS[CA(coordinate attention)+SimAM(simple parameter-free attention module)]结合,使网络更加关注目标信息,忽略复杂背景的干扰,同时,将浅层特征层与深层检测层进行特征融合,防止由特征信息丢失造成的预测端检测性能降低。实验结果表明:改进后的算法在DIOR和RSOD遥感数据集上分别取得了73.87%和96.22%的检测精度,与原YOLOX算法相比检测精度分别提高了4.08和1.34个百分点;与其他先进算法相比,改进后的算法在检测精度与检测速度上都具有一定的优越性。